一种基于集成学习的可再生能源发电功率区间预测方法技术

本发明专利技术公开了一种基于集成学习的可再生能源发电功率区间预测方法，包括以下步骤：选取合适的输入、输出变量，采集相关历史数据，进行数据预处理；将历史数据拆分为训练数据、校验数据；基于训练数据构建多个基学习器；基于训练数据以及校验数据，最优化新型综合性能评价指标来获取基学习器间的加权系数；综合基学习器的输出以及加权系数得到发电功率的预测区间。本发明专利技术充分利用极限学习机的快速学习性以及较强的泛化能力，有效的获得分位数回归模型，同时基于新型综合性能评价指标寻优得到的加权系数更为合理，更利于发挥集成学习的优势，从而得到更为精确的预测区间，为电网安全稳定运行提供有效的数据支撑。稳定运行提供有效的数据支撑。稳定运行提供有效的数据支撑。

【技术实现步骤摘要】
一种基于集成学习的可再生能源发电功率区间预测方法


[0001]本专利技术属于可再生能源发电功率预测领域，特别涉及一种基于集成学习的可再生能源发电功率区间预测方法。

技术介绍

[0002]可再生能源(风电、光伏)发电功率具有明显的不确定性以及随机性，随着可再生能源的大规模并网，对电网的安全稳定运行带来一定的挑战。传统对可再生能源发电功率预测的研究主要是确定性的点预测，但是点预测的误差不可避免且其结果不能对发电功率不确定性做出定量描述。从目前电网的应用层面来说，含可再生能源的电网规划、运行和安全稳定分析需要对可再生能源发电功率的波动范围有比较精确的估计，因此需要能定量反映发电功率不确定性的新的预测形式来克服传统点预测的缺陷。

技术实现思路

[0003]专利技术目的：为了克服现有技术中的不足，本专利技术提供了一种基于集成学习的可再生能源发电功率区间预测方法，通过区间预测能够定量反映发电功率的不确定性，从而得到更为精确的预测区间，为电网安全稳定运行提供有效的数据支撑。
[0004]技术方案：一种基于集成学习的可再生能源发电功率区间预测方法，包括如下方法：
[0005]采集影响可再生能源发电功率的输入变量的历史数据，可再生能源发电功率的历史数据，以及影响可再生能源发电功率的输入变量的预报值；
[0006]将采集的数据输入至训练好的多个不同基学习器；
[0007]根据多个不同基学习器的输出结果及对应基学习器的最优加权系数，计算发电功率的预测区间；
[0008]其中，基学习器的训练方法包括：
[0009]采集影响可再生能源发电功率输入变量，以及可再生能源发电功率的历史数据；
[0010]将历史数据拆分为训练数据及校验数据；
[0011]基于训练数据构建极限学习机分位数回归模型，并作为基学习器；
[0012]基于训练数据及校验数据，通过最优化新型综合性能评价指标计算获取各基学习器的最优加权系数。
[0013]在进一步的实施例中，不同基学习器间所使用的分位点不同。
[0014]在进一步的实施例中，所述新型综合性能评价指标采用下述公式计算获取：
[0015][0016]其中：NCI表示新型的综合性能评价指标，RIS为可靠性指标分数，用于反映可再生能源发电功率预测区间的可靠性，是的归一化值，为置信区间为100(1
‑
α)％下的区间分数，用于反映可再生能源发电功率预测区间的清晰度，|
·
|代表绝对值，γ与λ
是可靠性指标分数与区间分数的权重。
[0017]在进一步的实施例中，所述可靠性指标分数采用下述公式计算获取：
[0018][0019]其中：是置信区间为100(1
‑
α)％下所获得的可再生能源发电功率预测区间的平均覆盖误差(average coverage error，ACE)，η,σ用于调整RIS的特性。
[0020]在进一步的实施例中，所述可靠性指标分数通过平均覆盖误差代入改进的sigmod函数中计算得到。
[0021]在进一步的实施例中，综合各个基学习器的输出以及加权系数得到发电功率的期望和方差，并根据期望和方差计算出不同置信度下的预测区间。
[0022]在进一步的实施例中，所述极限学习机模型采用下述函数表示：
[0023][0024]其中，g(
·
)为激活函数，K为隐藏节点的个数，w
i
＝[w
i1
,w
i2
,
…
,w
in
]是输入变量与第i个隐藏节点间的权重，x
j
是第j个输入变量，β
i
是第i个隐藏节点与输出变量间的输出权重，b
i
是第i个隐藏节点的偏置，N1是历史数据拆分成训练数据的数据个数。
[0025]若极限学习机的输出可以近似零偏差的接近实际输出，此时：
[0026][0027]可进一步转化为：
[0028]Hβ＝T
[0029]其中H为隐藏层的输出矩阵，可以表示为：
[0030][0031]β＝[β1,β2,
…
,β
K
]T
为输出权重矩阵，为输出变量矩阵。
[0032]可再生能源发电功率的τ分位点可由下式表示：
[0033][0034]基于极限学习的τ分位点分位数回归问题可以表示为如下所示的优化问题：
[0035][0036]其中t
i
为可再生能源发电功率的实际输出，ρ
τ
(
·
)为检验函数，其表达式如下：
[0037]对上述优化问题进行求解即可得到τ分位点对应的输出权重β
τ
。
[0038]基于训练数据，建立不同τ值下的极限学习机分位数回归模型，这些模型即为本专利技术中的基学习器。
[0039]在进一步的实施例中，还包括将历史数据拆分为训练数据及校验数据之前，对历史数据进行预处理，所述预处理包括归一化处理。
[0040]在进一步的实施例中，通过粒子群算法最优化新型综合性能评价指标，得到最优加权系数。
[0041]在进一步的实施例中，所述发电功率的预测区间的上限通过下式计算获取：
[0042][0043]所述发电功率的预测区间的上限通过下式计算获取：
[0044][0045]其中：与分别代表获得的可再生能源发电功率预测区间的上下限；为发电功率的期望，为发电功率的期望，为发电功率的方差，为发电功率的方差，为第t个基学习器的可再生能源发电功率预测输出值，n
t
为基学习器的个数，h
t
为最优加权系数，满足进而根据发电功率的期望和方差计算出不同置信度下的发电功率预测区间。
[0046]有益效果：本专利技术与现有技术相比具有以下优点：
[0047]通过对可再生能源发电功率的历史数据采集，进行预处理后，利用所拆分的训练数据构建多个基学习器，且各个基学习器极限学习机进行分位数回归分析，能够充分利用极限学习机的快速学习性以及较强的泛化能力，有效地获得分位数回归模型；同时基于新型综合性能评价指标寻优得到的加权系数更为合理，更利于发挥集成学习的优势，从而得到更为精确的预测区间，为电网安全稳定运行提供有效的数据支撑。
附图说明
[0048]图1为本专利技术中基于集成学习的区间预测计算过程示意图。
具体实施方式
[0049]为了更充分理解本专利技术的
技术实现思路
，下面结合具体实施例对本专利技术的技术方案进一步介绍和说明，但不局限于此。
[0050]结合图1说明本专利技术中所述的基于集成学习的可再生能源发电功率区间预测方法，该方法包括以下步骤：
[0051]采集影响可再生能源发电功率的输入变量的历史数据，可再生能源发电功率的历史数据，以及影响可再生能源发电功率的输入变量的预报值；
[0052]将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可再生能源发电功率区间预测方法，其特征在于，包括如下方法：采集影响可再生能源发电功率的输入变量的历史数据，可再生能源发电功率的历史数据，以及影响可再生能源发电功率的输入变量的预报值；将采集的数据输入至训练好的多个不同基学习器；根据多个不同基学习器的输出结果及对应基学习器的最优加权系数，计算发电功率的预测区间；其中，基学习器的训练方法包括：采集影响可再生能源发电功率输入变量，以及可再生能源发电功率的历史数据；将历史数据拆分为训练数据及校验数据；基于训练数据构建极限学习机分位数回归模型，并作为基学习器；基于训练数据及校验数据，通过最优化新型综合性能评价指标计算获取各基学习器的最优加权系数。2.根据权利要求1所述的可再生能源发电功率区间预测方法，其特征在于，不同基学习器间所使用的分位点不同。3.根据权利要求1所述的可再生能源发电功率区间预测方法，其特征在于，所述新型综合性能评价指标采用下述公式计算获取：其中：NCI表示新型的综合性能评价指标，RIS为可靠性指标分数，用于反映可再生能源发电功率预测区间的可靠性，是的归一化值，为置信区间为100(1
‑
α)％下的区间分数，用于反映可再生能源发电功率预测区间的清晰度，|
·
|代表绝对值，γ与λ是可靠性指标分数与区间分数的权重。4.根据权利要求3所述的可再生能源发电功率区间预测方法，其特征在于，所述可靠性指标分数采用下述公式计算获取：其中：是置信区间为100(1
‑
α)％下所获得的可再生能源发电功率预测区间的平均覆盖误差，η,σ用于调整RIS的特性。5.根据权利要求4所述的可再生能源发电功率区间预测方法，其特征在于，所述可靠性指标分数通过平均覆盖误差代入改进...

【专利技术属性】
技术研发人员：杨玉，牛洪海，李兵，陈霈，管晓晨，
申请(专利权)人：南京南瑞继保工程技术有限公司，
类型：发明
国别省市：